[发明专利]用于行人再识别的图像处理方法及装置

权利要求书

1.一种用于行人再识别的图像处理方法，其特征在于，包括：

提取待识别图像中行人的位置信息；

根据所述位置信息分割出行人图像；

对所述行人图像执行预设网络模型测试，其中，测试所述预设网络模型时至少包含有注意力分支；以及

根据所述预设网络模型训练结果识别出目标图像；

所述提取待识别图像中行人的位置信息包括：

采集图像采集装置中的行人视频截图；

根据所述行人视频截图训练用于检测行人位置信息的至少包含有DPM算法的模型；以及

通过所述至少包含有DPM算法的模型执行位置检测任务得到所述待识别图像中行人的位置信息；将行人图片裁剪为384x128大小；

其中，通过所述预设网络模型训练结果训练联合贝叶斯矩阵，包括：

根据联合贝叶斯度量行人特征距离，目标行人的分布可以描述为x＝μ+ε，其中x定义为行人的表示，μ表示不同人的差异，ε表示相同人在不同光线、姿态、表情下的差异;这两个潜在变量μ和ε分布服从两个高斯分布：N(0,S_μ)和N(0,S_ε).S_μ和S_ε代表待定的协方差矩阵；

根据所述所述联合贝叶斯矩阵计算所述行人图像与目标图像的相似度；以及

筛选满足预设条件的行人图像，包括：筛选与目标行人图片相似度最高的20个行人图像；

其中，所述行人的位置信息还包括：行人图像在视频中的具体动作帧位置；

对所述行人图像执行预设网络模型测试，其中，测试所述预设网络模型时至少包含有注意力分支，包括：

预设网络模型为ResNet-50神经网络模型，所述网络模型包含49层卷积层，和1层全连接层，网络中引入了残差网络结构，使用训练集对所述网络模型进行训练；

在所述神经网络模型中加入注意力机制，基于注意力机制网络，对所述行人图像进行处理，获得关于所述行人图像的特征表示；

其中，注意力机制网络中，在网络结构得到特征图后，对所述特征图进行两条路线的处理，一条线路中直接传给下一层的Scale，另一条线路中经过全连接和Softmax操作，对所述特征图进行二分类，得到关于特征图中每个区域的概率，然后和两条路径上的做Scale操作，也就是对特征图中每个区域分配不同的权重，最后经过全局池化，得到关于行人图片的特征表示；

通过所述预设网络模型训练结果训练联合贝叶斯矩阵，还包括：

根据述深度残差网络模型提取出的所述行人图像的高维特征训练联合贝叶斯矩阵；

行人再识别的图像处理方法，包括：

采集视频图像；

对由包含行人图片进行行人检测，裁剪出只包含单独行人的图片；

训练CNN；

训练融合CNN和注意力机制的网络；

使用CNN和注意力机制融合的神经网络提取行人图片特征，并存储的行人特征库；

使用得到的行人特征，训练联合贝叶斯矩阵；

使用联合贝叶斯方法，计算行人特征间的相似度；

选择相似度最高的20个通过界面显示出来；

重复行人再识别的图像处理过程，获得行人识别结果。

2.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述位置信息分割出行人图像包括：

根据训练好的用于提取行人图像位置的模型从待识别图像中分割出行人且保存分割后的所述行人图像。

3.根据权利要求1所述的图像处理方法，其特征在于，所述对所述行人图像执行预设网络模型训练包括：

通过所述行人图像训练深度残差网络模型；以及

根据所述深度残差网络模型提取行人图像的高维特征。

4.根据权利要求1所述的图像处理方法，其特征在于，所述根据所述预设网络模型训练结果识别出目标图像包括：

通过所述预设网络模型训练结果训练联合贝叶斯矩阵；

根据所述联合贝叶斯矩阵计算所述行人图像与目标图像的相似度；

筛选满足预设条件的行人图像。